基于优化人工蜂群算法的重力匹配导航方法

人工蜂群算法以其低复杂度和高精度等优点有望取代传统重力匹配方法中的非智能搜索策略,但是,引入人工蜂群算法的重力匹配策略仍会存在抗干扰性能差和可靠性低的问题。论文引入差分思想对人工蜂群的适应度函数进行优化,引入可调权值参数并确定一组最佳权值,最大程度减少惯导信息误差对厄特弗斯效应改正和正常重力计算的影响。仿真结果表明,优化后的重力匹配算法具有更高的匹配精度。     

基于改进Hausdorff距离和人工蜂群算法的图像匹配

Hausdorff距离在图像匹配领域广泛应用。针对Hausdorff距离结合一些搜索策略的匹配算法实时性不高的问题,提出了一种基于改进Hausdorff距离和人工蜂群算法搜索策略的图像快速匹配。首先提取模板图像和匹配子图的边缘特征,然后计算的模板图像和匹配子图的Hausdorff距离作为两者的相似度量标准,最后采用人工蜂群算法进行搜索匹配。实验结果表明,该方法在不降低匹配率的情况下,缩短了匹配时间,能应用到嵌入式领域。     

基于灰色关联分析和人工蜂群算法的图像匹配方法

为提高图像匹配速度和精度,利用灰色关联分析理论和人工蜂群算法,提出一种抗噪性较好的快速图像匹配方法,简称GABC法.该方法将模板图像和当前搜索位置子图的直方图信息作为参考序列和比较序列,设计基于灰色关联度的适应度函数;然后对人工蜂群算法中的初始种群个体的分布进行优化,以提高收敛速度;接着,人工蜂群通过个体分工与信息共享,实现群体智能的高效并行寻优能力,快速逼近最佳匹配位置.实验显示,该方法在保证了一定匹配精度的情况下,明显提高了匹配速度和抗噪性.     

改进的BP神经网络算法在航迹匹配中的应用

利用迭代最近等值点(ICCP)算法对重力图上的航迹进行匹配可以减小惯性导航系统误差,但计算量大。针对上述问题,通过修改激励函数并增加假饱和预防函数,提出一种改进的反向传播神经网络学习算法。仿真结果表明,该算法可以加快搜索最近等值点的速度,更好地满足重力辅助导航对匹配精度及匹配速度的要求。     

基于混合搜索的多种群人工蜂群算法

针对经典人工蜂群（ABC）算法搜索策略存在搜索机制单一、群体全局搜索与局部搜索运算耦合性较高的问题,提出一种基于混合搜索的多种群人工蜂群（MPABC） 算法。首先,将种群按照适应度值进行排序,得到一个有序队列,进而将其划分为随机子群、核心子群和平衡子群三类有序子群;其次,针对不同子群结合相应的个体选择机制与搜索策略,构建出不同的差异向量;最后,在群体的搜索过程中,通过三类子群实现对具有不同适应度函数值个体的有效控制,来增强群体全局搜索和局部搜索的平衡能力。通过对16个标准测试函数进行仿真实验并与具有可变搜索策略的人工蜂群（ABCVSS）算法、基于选择概率的改进人工蜂群（MABC）算法、基于粒子群策略的多精英人工蜂群（PS-MEABC）算法、基于符号函数的多搜索策略人工蜂群（MSSABC）算法和优化高维复杂函数的改进人工蜂群（IABC）算法共五种典型的蜂群算法进行了对比,实验结果显示MPABC具有较好的优化效果;与ABC算法相比,MPABC在求解高维（100维）复杂问题上的收敛速度提高了约23%,且求解精度更优。     

一种实现网络入侵检测的高效算法及其实现架构

为了实现网络入侵检测系统中的精确字符串匹配,本文提出了一种基于叶子-附加和二叉搜索树的字符串匹配算法及其实现架构;首先采用叶子-追加算法来对给定的模式集进行处理,以消除模式之间的重叠。然后采用二叉搜索树算法提取叶子模式及其匹配向量来构建二叉搜索树,并根据每个节点的比较结果,通过左遍历或右遍历来实现字符串的精确匹配;为了进一步提高字符串匹配算法的内存效率,提出了级联二叉搜索树;最后給出了实现精确字符串匹配的总体架构和各个功能模块的架构;实验结果表明,本文提出的设计不仅在内存效率和吞吐量方面优于目前先进的设计技术,而且具有灵活的可扩展性。     

基于IAG-ABC算法的路径覆盖测试用例生成技术

针对遗传算法(genetic algorithm,GA)存在搜索初期收敛速度过快、易陷入局部最优解、未能充分结合搜索过程中的反馈信息,同时人工蜂群(artificial bee colony,ABC)算法存在初期寻优速度缓慢、局部搜索具有很大随机性等问题,对遗传算法和人工蜂群算法分别进行了改进,并将改进后的两种算法进行融合,实现两者的优势互补,提出了一种自适应遗传-蜂群（improved adaptive genetic-artificial bee colony, IAG-ABC）算法。采用路径覆盖信息设计引导算法搜索方向的适应度函数,并用IAG-ABC算法实现路径覆盖的测试用例生成,实验结果表明,相对于标准遗传算法和自适应遗传算法,IAG-ABC算法在测试用例生成效率和覆盖率上均有一定的优势。     

自适应柯西蜂群及其收敛性分析

针对人工蜂群算法容易陷入局部最优的缺陷,提出一种自适应柯西变异人工蜂群算法.该算法引入自适应因子来扩大蜂群的搜索范围,并利用柯西分布的特点对全局进行搜索,提高了蜂群搜索的普遍性.然后利用随机过程理论,对自适应柯西变异人工蜂群算法进行了理论分析,论证了该算法的收敛性.最后将改进的人工蜂群算法应用到风电功率短期预测模型参数的优化中,与单一支持向量机模型比较,表明该方法拟合精度更高.     

分布式人工蜂群免疫算法求解函数优化问题

为了克服人工蜂群算法由于开发能力较弱而导致收敛速度慢、搜索精度不高等缺点,结合子蜂群思想和免疫克隆选择算法,提出一种基于分布式精英进化模型的人工蜂群免疫算法。首先对外层子蜂群进行启发式快速人工蜂群操作以提高收敛速度;然后对内层精英蜂群进行免疫克隆选择操作,进一步提高了算法的收敛精度和全局搜索能力。仿真结果表明了该算法在求解函数优化问题上的有效性和优越性。     

图结构在航空遥感图像特征点匹配中的应用

为了解决海上航空遥感图像拍摄目标及相机视角变化快,相似特征多导致的匹配不一致问题,并提高匹配算法的效率,提出了一种基于图结构的航空遥感图像特征点匹配算法。该特征匹配过程分为初始匹配和精确匹配两步,首先采用快速特征提取算法SURF进行特征提取并进行初始匹配,然后在精确匹配过程中充分考虑图像的局部空间结构及全局信息,建立[K]近邻图结构,用[K]近邻结构差异与点集的变换误差作为匹配的收敛条件,以解决图像目标发生变化而导致的[K]近邻结构不一致及[K]近邻结构相同时仍然存在干扰点两个问题,最终实现快速精确的特征匹配。     

A robust underwater navigation method fusing data of gravity anomaly and magnetic anomaly

Navigation using geophysical information is often implemented on underwater vehicles to correct the position errors of inertial navigation system. In this paper, we fuse the information of gravity anomaly and magnetic anomaly by developing an improved elitism based multi-objective artificial bee colony algorithm. In the proposed algorithm, multi-objective matching strategy and sequence matching strategy are adopted for the purpose of reducing the possibility of mismatching. Specifically, the mean absolute difference (MAD) of gravity anomaly and the MAD of magnetic anomaly are selected as two matching objective. Single-point matching is changed to sequence matching by introducing affine transformation. To keep diversity without losing too much convergence speed, two elites chosen by different strategies are used to generate new food source. Finally, in order to avoid premature convergence, a new mechanism of scout bee phase is explored. The maximum capacity of external archive is regarded as the monitoring target. Simulations based on the actual gravity anomaly base map and the actual magnetic anomaly base map have been performed for the validation of the proposed algorithm.     

基于模糊C均值的改进人工蜂群聚类算法*

传统的模糊C-均值聚类算法存在对初始聚类中心选择与噪声数据敏感,容易使目标函数陷入局部最优的问题以及标准人工蜂群算法局部搜索能力及开发能力不强的缺点,针对这个问题,引进差分进化的思想改进人工蜂群算法并对跟随蜂的搜索行为进行更准确的描述,结合模糊C-均值聚类算法具有收敛速度快、易于实现且局部搜索能力较强的优点,提出一种基于模糊C-均值的改进人工蜂群聚类算法以提高聚类的性能。实验结果表明：该算法相对于传统FCM聚类算法,准确率和抗噪性有所提高,聚类的效果更好。     

基于梯度蜂群混合算法的电力系统最优潮流计算

针对电力系统最优潮流计算的问题提出一种基于梯度蜂群混合算法GABC.利用梯度算法的快速寻优特性得到某一局部极值,然后采用蜂群算法的全局寻优能力跳出该局部极值,并经过反复交替迭代最终找到问题的最优解.通过对IEEE5节点系统的计算结果表明改进后的人工蜂群算法可较好的处理最优潮流约束条件,有效提高基本蜂群算法的全局寻优能力...     

改进人工蜂群优化BP神经网络的分类研究

针对BP神经网络对初始权重敏感,容易陷入局部最优,人工蜂群算法局部搜索能力和开发能力相对较弱等问题,提出一种基于改进人工蜂群和反向传播的神经网络训练方法。引进差分进化思想改进人工蜂群算法,并对跟随蜂的搜索行为进行更准确的描述。用改进的人工蜂群全局搜索神经网络的初始权重,防止神经网络陷入局部最优。用新的方法对神经网络训练进行分类。实验结果表明,该算法相对于标准的BP神经网络,有效提高了分类正确率,泛化能力较强。     

雾计算平台的任务调度算法研究

雾计算平台中的任务调度问题是无法在多项式时间复杂度内求取精确解的NP-问题。本文在根据雾计算任务调度流程,构建雾计算平台任务调度数学模型基础上,采用改进人工蜂群算法,将任务调度映射为蜂群寻找蜜源的过程,在种群初始化阶段过引入混沌思想,改善了人工蜂群算法缺陷,扩大了蜂群搜索范围,避免陷入局部最优解。实验结果表明,改进后的人工蜂群算法具有更快的算法收敛速度,算法解析所对应的任务调度策略,也具有更高的任务处理总性能,表明本文所研究的改进人工蜂群算法,达到了提高雾计算资源利用率,提高雾计算任务处理效率的目的。     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

景像匹配辅助导航系统中的图像匹配算法研究

图像匹配算法是景像匹配辅助导航系统的核心，而且其性能决定了系统的总体性能，为了提高景像匹配辅助导航系统导航的实时性和精度，就必须选用合适的图像匹配算法，为此，给出了一种快速有效的基于图像特征的图像匹配算法，该算法选用部分Hausdorff距离作为图像匹配时的相似性度量，并利用图像特征提取后的二值化图像进行图像匹配，同时在联合了3种图像匹配加速技术的基础上，将邻域技术引入到图像匹配搜索终止条件中，从而大大提高了图像匹配效率。仿真结果表明，该算法可以保证图像匹配的鲁棒性和有效性，同时，能有效克服图像噪声和几何畸变的影响。该算法实施景像匹配能够在5s以内完成，并与GPS输出周期(1s)相当，可以满足景像匹配辅助导航系统匹配导航的准确性和实时性的性能要求。     

双天线测向信息辅助捷联惯导快速对准算法

为解决捷联惯导的快速高精度对准问题,给出了一种双天线测向信息辅助的惯导快速对准算法.介绍了双天线测向的基本原理,在此基础上给出了双天线基线安装误差的补偿方法.基于速度、位置、航向观测量,设计了快速对准卡尔曼滤波器,给出了具体航向量测方程.根据实测双天线测向误差特性进行了仿真分析.仿真结果验证了方法的有效性,4 min航向精度优于0.05°,可满足通常0.8 nm/h机载捷联惯导的对准精度要求.双天线测向信息辅助快速对准算法相对传统基于罗经效应的速度、位置量测对准方式,对准时间可极大地缩短,但具体对准航向精度受双天线测向误差影响大.     

A modified artificial bee colony approach for the 0-1 knapsack problem

The 0-1 knapsack problem (KP01) is one of the classical NP-hard problems in operation research and has a number of engineering applications. In this paper, the BABC-DE (binary artificial bee colony algorithm with differential evolution), a modified artificial bee colony algorithm, is proposed to solve KP01. In BABC-DE, a new binary searching operator which comprehensively considers the memory and neighbour information is designed in the employed bee phase, and the mutation and crossover operations of differential evolution are adopted in the onlooker bee phase. In order to make the searching solution feasible, a repair operator based on greedy strategy is employed. Experimental results on different dimensional KP01s verify the efficiency of the proposed method, and it gets superior performance compared with other five metaheuristic algorithms.     

基于向量整体扰动的快速收敛人工蜂群算法

针对标准人工蜂群算法收敛速度慢和易陷入早熟收敛等问题,提出一种快速收敛人工蜂群算法。首先借助反向学习理论初始化种群来提高初始解的分布质量,并在雇佣蜂和跟随蜂阶段引入向量整体扰动搜索方程加快局部搜索;然后为了跳出局部最优,采用一种随机更新搜索策略来增加蜂群多样性以平衡全局探索和局部利用能力;最后通过八个标准测试函数的仿真实验,发现所提出的算法与几个改进的人工蜂群算法相比,具有更快的收敛速度且获得了更高的求解精度,验证了算法的优越性。